Les techniques d’intelligence artificielle (IA) pourraient fournir une approche plus précise pour prédire le risque d’infection périprothétique après une reconstruction mammaire par implants, rapporte une étude parue dans le numéro de novembre de Chirurgie Plastique et Reconstructrice®, le journal médical officiel de l’American Society of Plastic Surgeons (ASPS). La revue est publiée dans le portfolio Lippincott de Wolters Kluwer.
« Notre étude est prometteuse dans l’utilisation de l’intelligence artificielle et de l’apprentissage automatique pour améliorer la capacité de prédire le risque de complications postopératoires graves chez les patientes subissant une reconstruction mammaire après une mastectomie », commentent le chirurgien membre de l’ASPS, l’auteur principal et correspondant Charles E. Butler, MD, et premier auteur Abbas M. Hassan, MD.
L’IA donne un aperçu des facteurs de risque complexes d’infection périprothétique
L’infection périprothétique – infection se développant autour d’un implant – est une complication courante et grave de la reconstruction mammaire sur implants après une mastectomie. Bien que des outils aient été développés pour fournir des évaluations individualisées des risques associés à la reconstruction mammaire, les techniques statistiques conventionnelles peuvent échouer à analyser les « interactions non linéaires complexes » affectant le risque de complications.
Le Dr Butler et ses collègues ont évalué l’utilisation de l’apprentissage automatique, un sous-ensemble de l’IA, pour évaluer les variables qui exposent les patients à un risque plus ou moins élevé de complications liées aux implants, notamment l’infection et l’explantation. Les chercheurs ont développé, validé et évalué l’utilisation de neuf algorithmes d’apprentissage automatique supervisés pour prédire les risques d’infection périprothétique et d’explantation (retrait d’implant). Les données sur un échantillon aléatoire de 80 % des patients ont été utilisées comme ensemble de formation et les 20 % restants comme ensemble de tests ou de validation.
L’approche IA a été développée à partir de données sur un total de 694 reconstructions mammaires par implants chez 481 patientes, âgées en moyenne de 50 ans. Sur un suivi médian de 16 mois, une infection périprothétique s’est développée dans 16,3 % des reconstructions, avec un taux d’explantation de 11,8 %.
Les algorithmes d’apprentissage automatique augmentent la précision dans la prévision des risques de complications
Pour l’infection périprothétique, l’exactitude prédictive variait entre 67 % et 83 %, l’algorithme « forêt aléatoire » étant le plus précis. Ce modèle a identifié neuf facteurs prédictifs ; les prédicteurs les plus puissants étaient un indice de masse corporelle (IMC) plus élevé, un âge plus avancé et une radiothérapie postopératoire.
Pour l’explantation, la précision variait entre 64 % et 84 %, la plus élevée étant obtenue avec un algorithme de « boosting de gradient extrême ». Cette approche a identifié 12 prédicteurs significatifs, notamment les caractéristiques des patients (IMC plus élevé, âge avancé), les caractéristiques chirurgicales (emplacement de l’implant et utilisation de certains biomatériaux) et les variables du traitement du cancer (radiothérapie ou chimiothérapie postopératoire).
Pour les deux résultats, les algorithmes d’apprentissage automatique ont donné de meilleurs résultats qu’un modèle statistique standard – l’évaluation du risque de reconstruction mammaire ou « score BRA » – pour prédire à la fois l’infection et l’explantation. L’aire sous la courbe (AUC), comprise entre 0,5 et 1,0, détermine les performances globales des modèles prédictifs et les valeurs de 1,0 signifient une « discrimination parfaite », tandis qu’une valeur de 0,5 signifie aucune valeur prédictive. La prédiction de l’infection avec les modèles d’apprentissage automatique a montré une AUC de 0,73 et de 0,78 pour l’explantation, contre moins de 0,60 dans les études précédentes utilisant le score BRA.
L’un des principaux avantages des algorithmes d’apprentissage automatique est qu’ils ont identifié davantage de variables prédictives : neuf prédicteurs d’infection et 12 d’explantation, contre seulement deux pour l’analyse statistique (multivariée) standard. « Cela permet une compréhension plus large et plus solide des facteurs qui ont un impact négatif sur les résultats chez les patientes qui subissent une reconstruction mammaire et peut aider à orienter les recherches futures pour mieux comprendre les processus pathologiques et fournir une prévision précise du risque pour les patientes présentant de multiples comorbidités », déclarent les Drs. Butler et Hassan.
Les chercheurs soulignent que la prévision des risques grâce à l’apprentissage automatique reste « loin d’être parfaite » – mais « peut être améliorée en intégrant des variables supplémentaires cliniquement pertinentes ». Le Dr Butler et ses coauteurs concluent : « L’IA a le potentiel de remodeler le domaine de la chirurgie plastique et d’améliorer la qualité des soins pour les patients atteints de cancer en identifiant plus précisément et plus précisément les facteurs qui conduisent à de mauvais résultats. »
Chirurgie Plastique et Reconstructrice® est publié par Wolters Kluwer.
Cliquez ici pour lire « Modélisation de l’intelligence artificielle pour prédire l’infection périprothétique et l’explantation après une reconstruction implantaire »
Article : « Modélisation de l’intelligence artificielle pour prédire l’infection et l’explantation périprothétiques après une reconstruction basée sur des implants » (doi : 10.1097/PRS.0000000000010345)
